第七届青年地学论坛

准确的风速预测对于清洁能源开发和电网运营计划至关重要。现有的预测方法依赖于对风电场测风塔风机轮毂高度历史实测风速时间序列进行未完全频域分解并随后代入机器学习模型学习训练。由于未对风速频域进行完全分解，造成了一定预测误差。我们提出了一种基于带有自适应噪声的集成经验模态分解（CEEMDAN）和利用遗传算法优化的反向传播神经网络（GA-BPNN）的混合方法（CEEMDAN-GA-BPNN），它可以通过完全分解原始时间序列来提升预测精度。将CEEMDAN不同频域风速信号的分解结果输入GA-BPNN中分别训练，然后将测试集代入所有频域风速信号训练模型进行预测，最后对各风速频域的预测结果进行累加得到最终的风速信号预测结果。预测方案分为两种：前向15分钟的超短期风速预测和前向1小时的短期风速预测。利用中国云南省李子箐风电场的历史实测风速进行模型试验分析，无论是超短期预报（15分钟）还是短期预报（1小时），CEEMDAN-GA-BPNN预测精度良好，各评价指标对比传统遗传算法优化的反向传播神经网络风电预测算法表现出一定的改进：超短期预测：均方根误差（RMSE）降低32％、平均绝对误差（MAE）降低27％、平均绝对百分比误差（MAPE）降低22％，R²降低2％。短期预测：RMSE（44％），MAE（42％），MAPE（45％）和R²（8％）。 试验结果表明，本研究中提出的CEEMDAN-GA-BPNN混合风速预测模型精度良好，能够为风电场开发和智能电网运营提供准确的风速预测工具。

风速预测,信号分解,神经网络